本文介绍了多种新统计技术在云基础设施中的异常检测应用，包括季节性分解、鲁棒统计和深度学习框架DynEformer等。这些方法在容量规划和用户行为监测中表现优异，特别是RTAnomaly和PePNet在异常检测和工作负载预测方面取得显著进展。MACE方法通过频域分析提升了异常检测效率，而COLA在在线警报聚合中表现出色。

本研究提出了一种框架，用于分析数据分布转移，评估19种方法的有效性。结果表明，预训练和数据扩充在许多情况下优于标准基线，填补了分布式边缘机器学习中监测数据漂移的空白，提供了有效监测用户行为变化的开源框架。